基于GA-BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別方法*

龍 禮, 溫秀蘭, 林逸雪

(1.南京工程學(xué)院 自動(dòng)化系，江蘇 南京 211176；2.南京理工大學(xué) 機(jī)械工程學(xué)院，江蘇 南京 210094)

0 引 言

人員與車輛等目標(biāo)產(chǎn)生的地震動(dòng)信號(hào)由于激勵(lì)原理不同因而在時(shí)、頻域表現(xiàn)出不同的特征，基于此,可以對(duì)目標(biāo)類型進(jìn)行識(shí)別區(qū)分，具有隱蔽性好,識(shí)別精度高，低功耗，長(zhǎng)期穩(wěn)定運(yùn)行等特性[1～4]。聶偉榮針對(duì)目標(biāo)運(yùn)動(dòng)引起的地震動(dòng)信號(hào)，提出并建立了4種有效的浮動(dòng)閾值過(guò)零數(shù)算法規(guī)則能夠高效地獲取地震動(dòng)信號(hào)的時(shí)域特征。并提取地震動(dòng)信號(hào)頻域、時(shí)一頻域特征，提出了應(yīng)用統(tǒng)計(jì)模式識(shí)別和神經(jīng)網(wǎng)絡(luò)模式識(shí)別相結(jié)合的方法來(lái)進(jìn)行目標(biāo)識(shí)別，提高識(shí)別率[5]。張磊對(duì)三軸地震動(dòng)傳感器采集到的地表運(yùn)動(dòng)目標(biāo)振動(dòng)產(chǎn)生的瑞雷波進(jìn)行了分析，認(rèn)為目標(biāo)的運(yùn)動(dòng)具有一定隨機(jī)性，是一個(gè)隨機(jī)信號(hào)。為了提取地震動(dòng)信號(hào)的特征信息分別采用了希爾伯特變換法、傅里葉變換法分別在時(shí)域及頻域?qū)π盘?hào)進(jìn)行分析[6]。安徽大學(xué)的徐照勝對(duì)運(yùn)用小波變換原理對(duì)采集的地震動(dòng)信號(hào)進(jìn)行了去噪處理，再對(duì)預(yù)處理后的地震動(dòng)信號(hào)在時(shí)域范圍內(nèi)進(jìn)行過(guò)零數(shù)分析，通過(guò)過(guò)零數(shù)計(jì)算識(shí)別人員和車輛。再通過(guò)改進(jìn)的周期圖功率譜估計(jì)方法對(duì)信號(hào)進(jìn)行特征信息的提取，利用譜峰頻率和譜峰相對(duì)強(qiáng)度實(shí)現(xiàn)了單個(gè)人員目標(biāo)與多個(gè)人員目標(biāo)的判別[7]。

經(jīng)過(guò)多年的探索與發(fā)展，盡管許多先進(jìn)的模式識(shí)別的算法都應(yīng)用到目標(biāo)識(shí)別中，但絕大多數(shù)都受到單一特征模型的限制，面對(duì)多樣化的目標(biāo)類型，傳統(tǒng)的識(shí)別算法的泛化能力通常不高，因此，難以保證不同環(huán)境與距離下的目標(biāo)識(shí)別結(jié)果。本文提出一種基于遺傳算法—反向傳播(genetic algorithm-back propagation,GA-BP)神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別方法研究，融合多個(gè)特征判斷目標(biāo)類型，從而提高目標(biāo)識(shí)別率。

1 目標(biāo)地震動(dòng)信號(hào)特征分析

如何提取地震動(dòng)信號(hào)的有效特征是地面目標(biāo)分類識(shí)別的關(guān)鍵。地震動(dòng)信號(hào)的時(shí)域特性反映了信號(hào)波形隨時(shí)間變化的特點(diǎn)。人與車的地震動(dòng)信號(hào)在時(shí)域上的展現(xiàn)截然不同，前者類似于脈沖信號(hào)，能量小，持續(xù)時(shí)間短，而后者能量大，波形連續(xù)，持續(xù)時(shí)間長(zhǎng)，因此，可以通過(guò)目標(biāo)的時(shí)域特征對(duì)目標(biāo)進(jìn)行識(shí)別。用于人車識(shí)別的時(shí)域特征主要包括過(guò)零數(shù)、最大過(guò)零時(shí)間間隔、標(biāo)準(zhǔn)差、峭度、短時(shí)能量比。

各類目標(biāo)的地震動(dòng)信號(hào)時(shí)域特征如圖1所示，其中，大型車表示重型卡車、客車等，小型車表示轎車等。

圖1 各類地震動(dòng)信號(hào)時(shí)域特征

由圖1(a)可以看出噪聲的過(guò)零數(shù)偏高一般在28以上，人員的過(guò)零數(shù)一般在10以下，而車輛的過(guò)零數(shù)位于兩者之間，因此，過(guò)零數(shù)僅能對(duì)人、車、噪聲進(jìn)行區(qū)分，而無(wú)法區(qū)分車輛類型;由圖1(b)可以看出人的最大時(shí)間間隔較大，一般在0.08 s以上，而噪聲的最大時(shí)間間隔偏低，在0.04～0.05 s之間，車輛則位于兩者之間，最大過(guò)零時(shí)間間隔僅能區(qū)分出人的類型，對(duì)其他目標(biāo)或非目標(biāo)信號(hào)區(qū)分不明顯;由圖1(c)可以看出，噪聲的標(biāo)準(zhǔn)差最低，其次，是人員、小型車輛，大型車輛的標(biāo)準(zhǔn)差最高，約在0.6以上，標(biāo)準(zhǔn)差能夠?qū)Ψ悄繕?biāo)噪聲以及人員、車輛進(jìn)行區(qū)分，且在大小類型的車輛信號(hào)特征中也表現(xiàn)出差異;由圖1(d)可以看出人員的峭度最高，大型車輛其次，然后是小型車輛，噪聲的峭度最低，峭度能夠?qū)θ藛T、大小類型車輛以及噪聲進(jìn)行區(qū)分，但依然存在混淆的區(qū)域;由圖1(e)可以看出:噪聲的短時(shí)能量比最低，而其他類型的目標(biāo)的短時(shí)能量比均有較差，不易區(qū)分。

2 基于GA-BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別方法

分析目標(biāo)特征分析可以得知，利用單一的信號(hào)特征對(duì)目標(biāo)進(jìn)行分類時(shí)往往只能夠區(qū)分人、車，并且由于數(shù)據(jù)單一容易出現(xiàn)判別失誤的情況，目標(biāo)分類的穩(wěn)定性較差。為了避免上述問(wèn)題，本文擬采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)作為目標(biāo)識(shí)別方法，融合多個(gè)特征判斷目標(biāo)類型。

2.1 GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

針對(duì)BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、泛化能力差的缺點(diǎn)，通過(guò)GA對(duì)BP神經(jīng)網(wǎng)絡(luò)優(yōu)化。GA通過(guò)選擇、交叉與變異操作得到最優(yōu)的網(wǎng)絡(luò)初始權(quán)重與閾值，并且使BP網(wǎng)絡(luò)具有一定的動(dòng)態(tài)自適應(yīng)性，能夠有效解決BP網(wǎng)絡(luò)收斂速度慢、容易陷入局部最優(yōu)解的問(wèn)題。優(yōu)化后的BP網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，且具有更好的泛化能力。根據(jù)遺傳算法和BP神經(jīng)網(wǎng)絡(luò)理論，利用GA對(duì)傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，通過(guò)MATLAB軟件實(shí)現(xiàn)GA-BP神經(jīng)網(wǎng)絡(luò)識(shí)別算法編程，其流程圖如圖2所示。

圖2 GA-BP神經(jīng)網(wǎng)絡(luò)算法流程

2.2 GA-BP神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)

選擇中午時(shí)段較為安靜的地段作為實(shí)驗(yàn)地點(diǎn)，采集人員、不同類型車輛(其中大型車表示重型卡車、客車等，小型車表示轎車等)經(jīng)過(guò)產(chǎn)生的地震動(dòng)信號(hào)，以及背景噪聲信號(hào)，實(shí)驗(yàn)場(chǎng)地示意圖如圖3所示。

圖3 實(shí)驗(yàn)示意

地震動(dòng)信號(hào)采集模塊包括地震動(dòng)傳感器，調(diào)理電路，并選用NI數(shù)據(jù)采集系統(tǒng)以及筆記本電腦作為上位機(jī)對(duì)信號(hào)進(jìn)行采集和存儲(chǔ)。將地震動(dòng)傳感器插入距離馬路3 m的土質(zhì)地面中，在距離傳感器橫向距離±30 m處進(jìn)行標(biāo)記，采集進(jìn)入的標(biāo)記范圍內(nèi)車輛或人員的地震動(dòng)信號(hào)。以1KSPS采樣率進(jìn)行采樣，每個(gè)樣本長(zhǎng)度為1 s，每種目標(biāo)信號(hào)采集80個(gè)樣本，并從每個(gè)類型樣本中分別隨機(jī)抽取50組作為訓(xùn)練樣本，剩下的30組作為測(cè)試樣本。

為了避免特征數(shù)據(jù)的冗余[8]，選取最具有代表性、分類性能最好的特征作為神經(jīng)網(wǎng)絡(luò)分類的訓(xùn)練樣本。將時(shí)域特征信息組合，得到表1所示的特征向量表。表中僅列出了部分樣本。

表1 地震動(dòng)信號(hào)特征向量

具體算法實(shí)現(xiàn)步驟如下：

1)建立BP模型。根據(jù)訓(xùn)練集數(shù)據(jù)設(shè)置BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)為5，輸出層節(jié)點(diǎn)為4，設(shè)置隱含層節(jié)點(diǎn)為5。

2)初始化種群。個(gè)體編碼方法選擇實(shí)數(shù)編碼，由步驟(1)設(shè)定的輸入層、輸出層以及隱含層節(jié)點(diǎn)數(shù)可以得到個(gè)體編碼長(zhǎng)度為5×5+5×4+5+4=54。

3)適應(yīng)度函數(shù)計(jì)算。適應(yīng)度表示度量群體中各個(gè)個(gè)體在優(yōu)化計(jì)算中接近最優(yōu)解的優(yōu)良程度，將預(yù)測(cè)輸出和期望輸出之間的誤差平方和SE的倒數(shù)作為個(gè)體適應(yīng)度值F，即

(1)

4)采用輪盤賭法進(jìn)行選擇操作。

5)交叉操作。采用實(shí)數(shù)交叉法，第k個(gè)染色體ak和第l個(gè)染色體aj在j位的交叉操作如下

(2)

式中b為隨機(jī)數(shù)且b∈[0,1]。

6)變異操作，選取第i個(gè)個(gè)體的第j個(gè)基因進(jìn)行變異，方法如下

(3)

式中amax與amin分別為基因aij的上界與下界；f(g)=r2(1-g/Gmax)2，r2為隨機(jī)數(shù)，g為當(dāng)前迭代次數(shù)，Gmax為最大進(jìn)化次數(shù)；r為隨機(jī)數(shù)且r∈[0,1]。

7)用新染色體代替原來(lái)染色體，計(jì)算適應(yīng)度，如果滿足條件，跳到步驟(7)；否則，轉(zhuǎn)到步驟(3)繼續(xù)優(yōu)化。

8)達(dá)到性能指標(biāo)后，將最優(yōu)權(quán)重和閾值賦給BP神經(jīng)網(wǎng)絡(luò)，利用訓(xùn)練集訓(xùn)練網(wǎng)絡(luò)直到達(dá)到設(shè)定的誤差要求。

3 實(shí)驗(yàn)驗(yàn)證

為了驗(yàn)證本文使用的GA-BP神經(jīng)網(wǎng)絡(luò)算法相比BP神經(jīng)網(wǎng)絡(luò)算法在目標(biāo)識(shí)別性能更優(yōu)，利用同一組訓(xùn)練集和測(cè)試集分別GA-BP神經(jīng)網(wǎng)絡(luò)模型與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練與測(cè)試，并對(duì)訓(xùn)練與測(cè)試結(jié)果進(jìn)行分析。

首先利用GA對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始化權(quán)重與閾值進(jìn)行優(yōu)化篩選，得到適應(yīng)度曲線如圖4所示。

圖4 遺傳算法適應(yīng)度曲線

當(dāng)遺傳代數(shù)到達(dá)300后GA收斂，即尋求到最佳個(gè)體。將優(yōu)化后的權(quán)重與閾值賦給建立的BP神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練結(jié)果如圖5(a)所示，傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果如圖5(b)所示。

圖5 GA-BP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練均方差曲線

利用測(cè)試集分別測(cè)試訓(xùn)練好的GA-BP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)，測(cè)試分類結(jié)果如圖6所示，其中，類別標(biāo)簽1～4分別表示人、大型車輛、小型車輛與噪聲。

圖6 GA-BP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果

對(duì)比上述實(shí)驗(yàn)過(guò)程可以得到：

1)圖5表明，BP神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)497步才收斂，誤差為9.891×10-3，而優(yōu)化后的GA-BP神經(jīng)網(wǎng)絡(luò)僅僅需要20步就已經(jīng)收斂，且誤差為2.253×10-7。優(yōu)化后的GA-BP神經(jīng)網(wǎng)絡(luò)收斂速度遠(yuǎn)遠(yuǎn)大于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)，且誤差更小。

2)圖6的測(cè)試結(jié)果表明，傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)的識(shí)別結(jié)果中含有16組錯(cuò)誤數(shù)據(jù)，識(shí)別率為86.67 %，而GA-BP的識(shí)別率為100 %，具有更高的準(zhǔn)確性。

3)利用MATLAB中的自帶函數(shù)Tic、Toc計(jì)算兩個(gè)網(wǎng)絡(luò)的訓(xùn)練時(shí)間并進(jìn)行比較，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間為1.49 s，GA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間為0.28 s，計(jì)算速度也同樣優(yōu)于前者。

4 結(jié) 論

針對(duì)BP神經(jīng)網(wǎng)絡(luò)收斂性差易陷入局部最優(yōu)的缺點(diǎn)，利用遺傳算法對(duì)其進(jìn)行優(yōu)化，將融合多個(gè)時(shí)域特征的特征向量帶入改進(jìn)的GA-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練測(cè)試。實(shí)驗(yàn)結(jié)果表明:改進(jìn)后的GA-BP神經(jīng)網(wǎng)絡(luò)在地震動(dòng)信號(hào)識(shí)別分類上表現(xiàn)優(yōu)異，且無(wú)論是從收斂性、準(zhǔn)確性還是實(shí)時(shí)性都優(yōu)于傳統(tǒng)算法。